論文の概要: A Possible Artificial Intelligence Ecosystem Avatar: the Moorea case
(IDEA)
- arxiv url: http://arxiv.org/abs/2102.02384v1
- Date: Thu, 4 Feb 2021 02:53:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:12:33.009987
- Title: A Possible Artificial Intelligence Ecosystem Avatar: the Moorea case
(IDEA)
- Title(参考訳): A Possible Artificial Intelligence Ecosystem Avatar: the Moorea case (IDEA)
- Authors: Jean-Pierre Barriot, Neil Davies, Beno\^it Stoll, S\'ebastien Chabrier
and Alban Gabillon
- Abstract要約: 本稿では,Deep Stacking Networks(DSN)に基づく大規模データ同化と予測バックボーンに着目した。
本稿では,生態系のアバターモデルや,生態指標や物理指標などの第2レベルのデータをトレーニングし,制約することのできる,いくつかの生データについて述べる。
- 参考スコア(独自算出の注目度): 0.6562256987706128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: High-throughput data collection techniques and largescale (cloud) computing
are transforming our understanding of ecosystems at all scales by allowing the
integration of multimodal data such as physics, chemistry, biology, ecology,
fishing, economics and other social sciences in a common computational
framework. We focus in this paper on a large scale data assimilation and
prediction backbone based on Deep Stacking Networks (DSN) in the frame of the
IDEA (Island Digital Ecosystem Avatars) project (Moorea Island), based on the
subdivision of the island in watersheds and lagoon units. We also describe
several kinds of raw data that can train and constrain such an ecosystem avatar
model, as well as second level data such as ecological or physical indexes /
indicators.
- Abstract(参考訳): 高スループットデータ収集技術と大規模(クラウド)コンピューティングは、物理、化学、生物学、生態学、漁業、経済学、その他の社会科学などのマルチモーダルデータを統合することで、あらゆる規模の生態系の理解を変えつつある。
本論文では,IDEA (Island Digital Ecosystem Avatars) プロジェクト (Moorea Island) の枠組みにおけるDeep Stacking Networks (DSN) に基づく大規模データ同化と予測のバックボーンについて,島を流域とラグーン単位で細分化することに焦点を当てる。
また,生態系アバターモデルのトレーニングと制約が可能な生データや,生態指標や物理的指標や指標といった第2レベルのデータについても述べる。
関連論文リスト
- Insect Identification in the Wild: The AMI Dataset [35.41544843896443]
昆虫は世界の生物多様性の半分を占めるが、世界の昆虫の多くは姿を消している。
この危機にもかかわらず、昆虫の多様性と豊かさに関するデータはいまだに不十分である。
昆虫認識のための大規模な機械学習ベンチマークを初めて提供します。
論文 参考訳(メタデータ) (2024-06-18T09:57:02Z) - Multiple Random Masking Autoencoder Ensembles for Robust Multimodal
Semi-supervised Learning [64.81450582542878]
コンピュータビジョンや機械学習には、現実の問題が増えている。
衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
論文 参考訳(メタデータ) (2024-02-12T20:08:58Z) - FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [28.166089112650926]
FREEは利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換する。
長期予測に使用する場合、FREEは将来予測を強化するために新たに収集した観測を組み込む柔軟性を持つ。
FREEの有効性は、2つの社会的に重要な実世界の応用の文脈で評価され、デラウェア川流域の河川水温を予測し、イリノイ州とアイオワ州で毎年トウモロコシの収量を予測する。
論文 参考訳(メタデータ) (2023-11-17T00:53:09Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳(メタデータ) (2023-11-02T02:00:27Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T07:49:48Z) - Unlocking the potential of deep learning for marine ecology: overview,
applications, and outlook [8.3226670069051]
本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。
本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。
我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
論文 参考訳(メタデータ) (2021-09-29T21:59:16Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳(メタデータ) (2021-09-27T09:19:53Z) - A Digital Forensics Investigation of a Smart Scale IoT Ecosystem [0.0]
IoT(Internet of Things)エコシステムには,訴訟手続においてディジタルエビデンスとして使用可能な,残余のデータが含まれている。
これらの問題の1つは、これらの生態系からの残留データの保存と分析を導くための実践的なプロセスや技術が限られていることである。
本稿では,スマートスケールエコシステム内のさまざまなエビデンスソースから残余データを復元する実践的手法を実証的に示す。
論文 参考訳(メタデータ) (2021-09-12T13:47:17Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳(メタデータ) (2021-09-03T11:45:51Z) - StatEcoNet: Statistical Ecology Neural Networks for Species Distribution
Modeling [8.534315844706367]
本稿では、計算持続可能性と統計生態学におけるコアタスクである種分布モデリング(SDM)に焦点を当てる。
SDMでは、景観上の種の発生パターンは、一連の場所における観察に基づいて環境特性によって予測される。
本稿では,SDMのユニークな課題を解決するため,StatEcoNetというフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-17T02:19:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。